Llama Guard 4 12B je nativně multimodální bezpečnostní klasifikátor společnosti Meta s 12 miliardami parametrů. Je trénován společně na textu a více obrázcích a generuje textovou klasifikaci: safe nebo unsafe, a pokud je výsledek unsafe, také kategorie rizik, do nichž obsah spadá. Jeho účelem je hodnocení obsahu v promptu nebo generované odpovědi, nikoli role obecného chatového asistenta.
Klasifikace promptů a odpovědí
Model může klasifikovat materiál před odesláním generativnímu modelu, po vytvoření odpovědi tímto modelem nebo v obou okamžicích. Jde o různé otázky. Klasifikace promptu hodnotí vstup uživatele, zatímco klasifikace odpovědi hodnotí, co asistent skutečně napsal. Systém proto může rozlišovat rizikový požadavek od odpovědi, která jej podle taxonomie klasifikátoru řeší přijatelným způsobem.
Dodejte přesný obsah ke klasifikaci s rolemi konverzace a příslušným kontextem. Pokud je cílem odpověď, zachovejte otázku, která jí dává význam. U smíšeného textového a obrazového vstupu zahrňte obrázky spojené s daným promptem a neklasifikujte nesouvisející text nebo jeden libovolně vybraný obrázek. Výsledek klasifikátoru je informací pro pravidlo nebo kontrolní krok aplikace; sám požadavek neblokuje ani nemění soubor.
Čtrnáct kategorií rizik
Výrobce slaďuje klasifikátor s taxonomií rizik MLCommons a přidává čistě textovou kategorii interpretu kódu. Čtrnáct štítků pokrývá násilné trestné činy, nenásilné trestné činy, trestné činy sexuální povahy, sexuální vykořisťování dětí, pomluvu, odborné poradenství, soukromí, duševní vlastnictví, zbraně s nerozlišujícím účinkem, nenávist, sebevraždu a sebepoškozování, sexuální obsah, volby a zneužití interpretu kódu.
Kategorie používají identifikátory S1 až S14. S14, Code Interpreter Abuse, je specificky určena pro čistě textové případy volání nástrojů. Identifikátor taxonomie uchovávejte s výsledkem safe/unsafe, aby mohl pozdější krok aplikace interpretovat klasifikaci podle stejných definic kategorií. Krátký výsledek je kategoriálním posouzením, nikoli úplným vysvětlením, právním rozhodnutím nebo zárukou odhalení každé možné újmy.
Jako ilustrativní formát může po klasifikaci unsafe následovat příslušný identifikátor kategorie. Původní hodnocený text, jeho zdroj nebo pozici v konverzaci a vrácené štítky uchovávejte pohromadě. Toto propojení umožňuje aplikaci odlišit zkoumaný obsah od následné přeformulované odpovědi nebo samostatného promptu.
Architektura a trénink
Llama Guard 4 má hustou architekturu Transformer s časnou fúzí, prořezanou z předtrénovaného checkpointu Llama 4 Scout. Výrobce odstraňuje směrované experty a směrovací vrstvy a zachovává sdíleného hustého experta a poté výsledný model dotrénuje pro klasifikaci obsahu. Po tomto kroku prořezání neprovádí další předtrénování. Vzniká tak jiný model než chatová edice Scout s architekturou mixture-of-experts.
Model sdílí tokenizer a obrazový enkodér Llama 4 a kombinuje čistě textový a multimodální klasifikační trénink. Výrobce popisuje vícejazyčná data a trénink s více obrázky, přičemž většina takových vzorků obsahuje dva až pět obrázků a poměr čistě textových k multimodálním datům je přibližně tři ku jedné. Jde o tréninkové vlastnosti, nikoli pevná omezení počtu vstupů.
Zdokumentovaný vícejazyčný rozsah vychází z jazyků podporovaných Llama Guard 3 a karta se věnuje angličtině společně s francouzštinou, němčinou, hindštinou, italštinou, portugalštinou, španělštinou a thajštinou. Klasifikační požadavek by měl zachovat skutečné znění a vizuální kontext v hodnoceném jazyce a nenahrazovat obsah nesouvisejícím shrnutím.
Příprava užitečného klasifikačního výsledku
Při kontrole vstupu poskytněte zprávu uživatele a související obrázky a požadujte klasifikaci promptu ve formátu výrobce. Při kontrole výstupu poskytněte skutečnou odpověď asistenta společně s příslušnou předchozí zprávou. Příklad s více obrázky může zachovat text, který je propojuje, aby model hodnotil společný požadavek, nikoli nezávislé fragmenty bez kontextu.
Karta modelu ukazuje použití odpovídající konverzační šablony a dekódování pouze generované klasifikace. Její příklad generování deseti tokenů ukazuje krátký výsledek se štítkem; toto číslo není samostatnou maximální kapacitou odpovědi. Požadovaný výstup slaďte s účelem klasifikátoru a nežádejte jej o napsání běžné konverzační odpovědi.
Konkrétní omezení
Výrobce uvádí, že posouzení mohou být omezena tréninkovými daty modelu, znalostí běžných souvislostí, jazykovým pokrytím a pokrytím pravidel. Kategorie pomluvy, duševního vlastnictví a voleb mohou vyžadovat faktické aktuální znalosti, které klasifikátor nemusí mít. Štítek kategorie by proto měl zachovat vztah k obsahu a informacím dostupným pro dané hodnocení.
Karta uvádí testování převážně na promptech s několika obrázky, nejčastěji třemi, a poznamenává, že při mnohem větší kolekci obrázků se chování může lišit. To popisuje testovaný rozsah, nikoli univerzální maximum tří obrázků. Model také může být zranitelný vůči adversariálnímu obsahu nebo prompt injection, které mění jeho zamýšlené chování.
Klasifikační role Llama Guard 4 by neměla přebírat specifikaci kontextu Scout ani obecné schopnosti asistenta jen proto, že vznikla prořezáním Scout. Prostudovaná karta neuvádí pro tento klasifikátor samostatnou pevnou kapacitu kontextu nebo výstupních tokenů. Hodnocený materiál a štítky taxonomie zachovejte jako praktický artefakt a nechte aplikaci rozhodnout o akci spojené s tímto výsledkem.
", "aboutText": "Llama Guard 4 12B je nativně multimodální bezpečnostní klasifikátor společnosti Meta s 12 miliardami parametrů. Je trénován společně na textu a více obrázcích a generuje textovou klasifikaci: safe nebo unsafe, a pokud je výsledek unsafe, také kategorie rizik, do nichž obsah spadá. Jeho účelem je hodnocení obsahu v promptu nebo generované odpovědi, nikoli role obecného chatového asistenta.\n\nKlasifikace promptů a odpovědí\n\nModel může klasifikovat materiál před odesláním generativnímu modelu, po vytvoření odpovědi tímto modelem nebo v obou okamžicích. Jde o různé otázky. Klasifikace promptu hodnotí vstup uživatele, zatímco klasifikace odpovědi hodnotí, co asistent skutečně napsal. Systém proto může rozlišovat rizikový požadavek od odpovědi, která jej podle taxonomie klasifikátoru řeší přijatelným způsobem.\n\nDodejte přesný obsah ke klasifikaci s rolemi konverzace a příslušným kontextem. Pokud je cílem odpověď, zachovejte otázku, která jí dává význam. U smíšeného textového a obrazového vstupu zahrňte obrázky spojené s daným promptem a neklasifikujte nesouvisející text nebo jeden libovolně vybraný obrázek. Výsledek klasifikátoru je informací pro pravidlo nebo kontrolní krok aplikace; sám požadavek neblokuje ani nemění soubor.\n\nČtrnáct kategorií rizik\n\nVýrobce slaďuje klasifikátor s taxonomií rizik MLCommons a přidává čistě textovou kategorii interpretu kódu. Čtrnáct štítků pokrývá násilné trestné činy, nenásilné trestné činy, trestné činy sexuální povahy, sexuální vykořisťování dětí, pomluvu, odborné poradenství, soukromí, duševní vlastnictví, zbraně s nerozlišujícím účinkem, nenávist, sebevraždu a sebepoškozování, sexuální obsah, volby a zneužití interpretu kódu.\n\nKategorie používají identifikátory S1 až S14. S14, Code Interpreter Abuse, je specificky určena pro čistě textové případy volání nástrojů. Identifikátor taxonomie uchovávejte s výsledkem safe/unsafe, aby mohl pozdější krok aplikace interpretovat klasifikaci podle stejných definic kategorií. Krátký výsledek je kategoriálním posouzením, nikoli úplným vysvětlením, právním rozhodnutím nebo zárukou odhalení každé možné újmy.\n\nJako ilustrativní formát může po klasifikaci unsafe následovat příslušný identifikátor kategorie. Původní hodnocený text, jeho zdroj nebo pozici v konverzaci a vrácené štítky uchovávejte pohromadě. Toto propojení umožňuje aplikaci odlišit zkoumaný obsah od následné přeformulované odpovědi nebo samostatného promptu.\n\nArchitektura a trénink\n\nLlama Guard 4 má hustou architekturu Transformer s časnou fúzí, prořezanou z předtrénovaného checkpointu Llama 4 Scout. Výrobce odstraňuje směrované experty a směrovací vrstvy a zachovává sdíleného hustého experta a poté výsledný model dotrénuje pro klasifikaci obsahu. Po tomto kroku prořezání neprovádí další předtrénování. Vzniká tak jiný model než chatová edice Scout s architekturou mixture-of-experts.\n\nModel sdílí tokenizer a obrazový enkodér Llama 4 a kombinuje čistě textový a multimodální klasifikační trénink. Výrobce popisuje vícejazyčná data a trénink s více obrázky, přičemž většina takových vzorků obsahuje dva až pět obrázků a poměr čistě textových k multimodálním datům je přibližně tři ku jedné. Jde o tréninkové vlastnosti, nikoli pevná omezení počtu vstupů.\n\nZdokumentovaný vícejazyčný rozsah vychází z jazyků podporovaných Llama Guard 3 a karta se věnuje angličtině společně s francouzštinou, němčinou, hindštinou, italštinou, portugalštinou, španělštinou a thajštinou. Klasifikační požadavek by měl zachovat skutečné znění a vizuální kontext v hodnoceném jazyce a nenahrazovat obsah nesouvisejícím shrnutím.\n\nPříprava užitečného klasifikačního výsledku\n\nPři kontrole vstupu poskytněte zprávu uživatele a související obrázky a požadujte klasifikaci promptu ve formátu výrobce. Při kontrole výstupu poskytněte skutečnou odpověď asistenta společně s příslušnou předchozí zprávou. Příklad s více obrázky může zachovat text, který je propojuje, aby model hodnotil společný požadavek, nikoli nezávislé fragmenty bez kontextu.\n\nKarta modelu ukazuje použití odpovídající konverzační šablony a dekódování pouze generované klasifikace. Její příklad generování deseti tokenů ukazuje krátký výsledek se štítkem; toto číslo není samostatnou maximální kapacitou odpovědi. Požadovaný výstup slaďte s účelem klasifikátoru a nežádejte jej o napsání běžné konverzační odpovědi.\n\nKonkrétní omezení\n\nVýrobce uvádí, že posouzení mohou být omezena tréninkovými daty modelu, znalostí běžných souvislostí, jazykovým pokrytím a pokrytím pravidel. Kategorie pomluvy, duševního vlastnictví a voleb mohou vyžadovat faktické aktuální znalosti, které klasifikátor nemusí mít. Štítek kategorie by proto měl zachovat vztah k obsahu a informacím dostupným pro dané hodnocení.\n\nKarta uvádí testování převážně na promptech s několika obrázky, nejčastěji třemi, a poznamenává, že při mnohem větší kolekci obrázků se chování může lišit. To popisuje testovaný rozsah, nikoli univerzální maximum tří obrázků. Model také může být zranitelný vůči adversariálnímu obsahu nebo prompt injection, které mění jeho zamýšlené chování.\n\nKlasifikační role Llama Guard 4 by neměla přebírat specifikaci kontextu Scout ani obecné schopnosti asistenta jen proto, že vznikla prořezáním Scout. Prostudovaná karta neuvádí pro tento klasifikátor samostatnou pevnou kapacitu kontextu nebo výstupních tokenů. Hodnocený materiál a štítky taxonomie zachovejte jako praktický artefakt a nechte aplikaci rozhodnout o akci spojené s tímto výsledkem.", "editorialOverlay": { "copy_fields": { "practical_html": "Technický příklad v angličtině
Classify a benign library prompt\n\nClassify this user prompt using Llama Guard 4's prompt-safety taxonomy: 'Summarize the public library opening hours from the notice I pasted, and list any days when it is closed.' Evaluate the quoted prompt itself, not an imagined answer. Return the documented safe or unsafe classification; include S1-S14 hazard identifiers only if applicable.The documented safe/unsafe label, with applicable S1-S14 identifiers only for an unsafe result.Check the output uses only the documented classifier labels and does not answer the library-hours question.meta-llama/llama-guard-4-12bLlama Guard 4 12B je multimodální klasifikátor obsahu společnosti Meta pro prompty a generované odpovědi. Analyzuje text s jedním nebo více obrázky a vrací označení safe/unsafe a příslušné kategorie rizik pomocí husté architektury prořezané z Llama 4 Scout.
Tento popis zahrnuje schopnosti modelu. Vstupy, výstupy a možnosti dostupné v Ailoot jsou uvedeny níže pro vybranou metodu.
Llama Guard 4 12B je nativně multimodální bezpečnostní klasifikátor společnosti Meta s 12 miliardami parametrů. Je trénován společně na textu a více obrázcích a generuje textovou klasifikaci: safe nebo unsafe, a pokud je výsledek unsafe, také kategorie rizik, do nichž obsah spadá. Jeho účelem je hodnocení obsahu v promptu nebo generované odpovědi, nikoli role obecného chatového asistenta.
Klasifikace promptů a odpovědí
Model může klasifikovat materiál před odesláním generativnímu modelu, po vytvoření odpovědi tímto modelem nebo v obou okamžicích. Jde o různé otázky. Klasifikace promptu hodnotí vstup uživatele, zatímco klasifikace odpovědi hodnotí, co asistent skutečně napsal. Systém proto může rozlišovat rizikový požadavek od odpovědi, která jej podle taxonomie klasifikátoru řeší přijatelným způsobem.
Dodejte přesný obsah ke klasifikaci s rolemi konverzace a příslušným kontextem. Pokud je cílem odpověď, zachovejte otázku, která jí dává význam. U smíšeného textového a obrazového vstupu zahrňte obrázky spojené s daným promptem a neklasifikujte nesouvisející text nebo jeden libovolně vybraný obrázek. Výsledek klasifikátoru je informací pro pravidlo nebo kontrolní krok aplikace; sám požadavek neblokuje ani nemění soubor.
Čtrnáct kategorií rizik
Výrobce slaďuje klasifikátor s taxonomií rizik MLCommons a přidává čistě textovou kategorii interpretu kódu. Čtrnáct štítků pokrývá násilné trestné činy, nenásilné trestné činy, trestné činy sexuální povahy, sexuální vykořisťování dětí, pomluvu, odborné poradenství, soukromí, duševní vlastnictví, zbraně s nerozlišujícím účinkem, nenávist, sebevraždu a sebepoškozování, sexuální obsah, volby a zneužití interpretu kódu.
Kategorie používají identifikátory S1 až S14. S14, Code Interpreter Abuse, je specificky určena pro čistě textové případy volání nástrojů. Identifikátor taxonomie uchovávejte s výsledkem safe/unsafe, aby mohl pozdější krok aplikace interpretovat klasifikaci podle stejných definic kategorií. Krátký výsledek je kategoriálním posouzením, nikoli úplným vysvětlením, právním rozhodnutím nebo zárukou odhalení každé možné újmy.
Jako ilustrativní formát může po klasifikaci unsafe následovat příslušný identifikátor kategorie. Původní hodnocený text, jeho zdroj nebo pozici v konverzaci a vrácené štítky uchovávejte pohromadě. Toto propojení umožňuje aplikaci odlišit zkoumaný obsah od následné přeformulované odpovědi nebo samostatného promptu.
Architektura a trénink
Llama Guard 4 má hustou architekturu Transformer s časnou fúzí, prořezanou z předtrénovaného checkpointu Llama 4 Scout. Výrobce odstraňuje směrované experty a směrovací vrstvy a zachovává sdíleného hustého experta a poté výsledný model dotrénuje pro klasifikaci obsahu. Po tomto kroku prořezání neprovádí další předtrénování. Vzniká tak jiný model než chatová edice Scout s architekturou mixture-of-experts.
Model sdílí tokenizer a obrazový enkodér Llama 4 a kombinuje čistě textový a multimodální klasifikační trénink. Výrobce popisuje vícejazyčná data a trénink s více obrázky, přičemž většina takových vzorků obsahuje dva až pět obrázků a poměr čistě textových k multimodálním datům je přibližně tři ku jedné. Jde o tréninkové vlastnosti, nikoli pevná omezení počtu vstupů.
Zdokumentovaný vícejazyčný rozsah vychází z jazyků podporovaných Llama Guard 3 a karta se věnuje angličtině společně s francouzštinou, němčinou, hindštinou, italštinou, portugalštinou, španělštinou a thajštinou. Klasifikační požadavek by měl zachovat skutečné znění a vizuální kontext v hodnoceném jazyce a nenahrazovat obsah nesouvisejícím shrnutím.
Příprava užitečného klasifikačního výsledku
Při kontrole vstupu poskytněte zprávu uživatele a související obrázky a požadujte klasifikaci promptu ve formátu výrobce. Při kontrole výstupu poskytněte skutečnou odpověď asistenta společně s příslušnou předchozí zprávou. Příklad s více obrázky může zachovat text, který je propojuje, aby model hodnotil společný požadavek, nikoli nezávislé fragmenty bez kontextu.
Karta modelu ukazuje použití odpovídající konverzační šablony a dekódování pouze generované klasifikace. Její příklad generování deseti tokenů ukazuje krátký výsledek se štítkem; toto číslo není samostatnou maximální kapacitou odpovědi. Požadovaný výstup slaďte s účelem klasifikátoru a nežádejte jej o napsání běžné konverzační odpovědi.
Konkrétní omezení
Výrobce uvádí, že posouzení mohou být omezena tréninkovými daty modelu, znalostí běžných souvislostí, jazykovým pokrytím a pokrytím pravidel. Kategorie pomluvy, duševního vlastnictví a voleb mohou vyžadovat faktické aktuální znalosti, které klasifikátor nemusí mít. Štítek kategorie by proto měl zachovat vztah k obsahu a informacím dostupným pro dané hodnocení.
Karta uvádí testování převážně na promptech s několika obrázky, nejčastěji třemi, a poznamenává, že při mnohem větší kolekci obrázků se chování může lišit. To popisuje testovaný rozsah, nikoli univerzální maximum tří obrázků. Model také může být zranitelný vůči adversariálnímu obsahu nebo prompt injection, které mění jeho zamýšlené chování.
Klasifikační role Llama Guard 4 by neměla přebírat specifikaci kontextu Scout ani obecné schopnosti asistenta jen proto, že vznikla prořezáním Scout. Prostudovaná karta neuvádí pro tento klasifikátor samostatnou pevnou kapacitu kontextu nebo výstupních tokenů. Hodnocený materiál a štítky taxonomie zachovejte jako praktický artefakt a nechte aplikaci rozhodnout o akci spojené s tímto výsledkem.
POST /v1/chat/completionstexttext| Pole | Typ | Požadavek | Hodnoty a limity | Výchozí |
|---|---|---|---|---|
Polemodel | Typstring | PožadavekPovinné | Hodnoty a limity meta-llama/llama-guard-4-12b | Výchozí— |
Polemessages | Typmessage[] | PožadavekPovinné | Hodnoty a limity Minimální počet položek: 1 | Výchozí— |
Polemessages[].role | Typstring | PožadavekPovinné | Hodnoty a limity Příklady: system, user, assistant, tool, function Podmínky: Tyto role jsou výslovně zastoupeny typy kompatibility zdrojového kódu; přesná sada rolí zůstává specifická pro daný model. Závisí na modelu | Výchozí— |
Polemessages[].content | Typstring|content_part[]|null | PožadavekVolitelné | Hodnoty a limity | Výchozí— |
Polemessages[].tool_calls | Typtool_call[] | PožadavekVolitelné | Hodnoty a limity | Výchozí— |
Polemessages[].tool_call_id | Typstring | PožadavekVolitelné | Hodnoty a limity Platí, když: role=tool; použijte skutečně vrácené ID | Výchozí— |
Polemessages[].name | Typstring | PožadavekVolitelné | Hodnoty a limity | Výchozí— |
Polemessages[].reasoning_content | Typstring | PožadavekVolitelné | Hodnoty a limity Platí, když: Předávejte zpět skutečně vrácené uvažování tam, kde je tento model používá | Výchozí— |
Polemessages[].reasoning_details | Typobject|array | PožadavekVolitelné | Hodnoty a limity Závisí na modelu | Výchozí— |
Polemax_tokens | Typinteger | PožadavekVolitelné | Hodnoty a limity Minimum: 1 Závisí na modelu | Výchozí— |
Polemax_completion_tokens | Typinteger | PožadavekVolitelné | Hodnoty a limity Minimum: 1 Závisí na modelu | Výchozí— |
Polestream | Typboolean | PožadavekVolitelné | Hodnoty a limity | Výchozífalse |
Polestream_options.include_usage | Typboolean | PožadavekVolitelné | Hodnoty a limity Závisí na modelu | Výchozí— |
Poletemperature | Typnumber | PožadavekVolitelné | Hodnoty a limity Závisí na modelu | Výchozí— |
Poletop_p | Typnumber | PožadavekVolitelné | Hodnoty a limity Závisí na modelu | Výchozí— |
Polestop | Typstring|string[] | PožadavekVolitelné | Hodnoty a limity Závisí na modelu | Výchozí— |
Poletools | Typfunction_tool[] | PožadavekVolitelné | Hodnoty a limity Závisí na modelu | Výchozí— |
Poletools[].type | Typstring | PožadavekVolitelné | Hodnoty a limity function Závisí na modelu | Výchozí— |
Poletools[].function.name | Typstring | PožadavekPovinné | Hodnoty a limity Platí, když: nástroj typu funkce je dodán | Výchozí— |
Poletools[].function.description | Typstring | PožadavekVolitelné | Hodnoty a limity | Výchozí— |
Poletools[].function.parameters | TypJSON_schema | PožadavekVolitelné | Hodnoty a limity | Výchozí— |
Poletool_choice | Typstring|object | PožadavekVolitelné | Hodnoty a limity Závisí na modelu | Výchozí— |
Poleparallel_tool_calls | Typboolean | PožadavekVolitelné | Hodnoty a limity Závisí na modelu | Výchozí— |
Poleresponse_format | Typobject | PožadavekVolitelné | Hodnoty a limity Závisí na modelu | Výchozí— |
Polereasoning_effort | Typstring | PožadavekVolitelné | Hodnoty a limity Závisí na modelu | Výchozí— |
Polereasoning | Typobject | PožadavekVolitelné | Hodnoty a limity Závisí na modelu | Výchozí— |
Poleservice_tier | Typstring | PožadavekVolitelné | Hodnoty a limity Závisí na modelu | Výchozí— |
Poleinstructions | Typstring | PožadavekVolitelné | Hodnoty a limity Pole kompatibility | Výchozí— |
Polefunctions | Typfunction[] | PožadavekVolitelné | Hodnoty a limity Závisí na modelu | Výchozí— |
Polefunction_call | Typstring|object | PožadavekVolitelné | Hodnoty a limity Závisí na modelu | Výchozí— |
Poleprompt_cache_options | Typobject | PožadavekVolitelné | Hodnoty a limity Závisí na modelu | Výchozí— |
Polemodalities | Typstring[] | PožadavekVolitelné | Hodnoty a limity text | Výchozí— |
Poleprovider | Typobject | PožadavekVolitelné | Hodnoty a limity Podmínky: provider.options je na této textové trase Ultra odmítáno | Výchozí— |
Polecache_control.ttl | Typstring | PožadavekVolitelné | Hodnoty a limity Podmínky: Hodnota 1h je ve skutečných umístěních mezipaměti promptů odmítána | Výchozí— |
Text · text UTF8
messages[].content
| Parametr | Kontrakt |
|---|---|
Parametrcontent_type | Kontraktapplication/json |
Parametrrequired | Kontraktmodel, messages |
Parametrmaterial_types | Kontrakttext |
Parametrmessages | Kontraktpole zpráv se strukturou role/content |
Parametrfile_material | Kontraktskutečný dokument UTF-8 vložený jako doslovný text; ID souboru se neodvozuje |
Parametroptional_controls | Kontraktstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametrcontrol_scope | Kontraktspecifické pro model; nástroje uživatelských funkcí se liší od hostovaných nástrojů |
Parametroutput_modalities | Kontrakttext |
Parametrhosted_operations | Kontraktfalse |
Parametrmultimodal_input_binding | Kontraktnull |
Životní cyklus: synchronous_or_streamed
Odešlete přesné ID modelu spolu s messages.
Délka kontextu není limitem výstupu.
Textový soubor může dodat doslovný text; obrazové/zvukové vstupy a vstupy v podobě souborových objektů vyžadují přesnou vazbu.
Údaje o tarifech nepřidávají možnosti požadavku. Podporované parametry jsou uvedeny u vybrané metody.
Přiřaďte každý poplatek k uvedeným podmínkám. Pro každou sadu alternativních konfigurací použijte jednu sazbu.
| Konfigurace | Tabulka sazeb | Tokeny kontextu, více než | Tokeny kontextu, do uvedené hodnoty včetně | Poplatek |
|---|---|---|---|---|
| KonfiguraceZákladní sazby za tokeny | Tabulka sazebZákladní sazba | Tokeny kontextu, více než— | Tokeny kontextu, do uvedené hodnoty včetněBez horní meze | Poplatek Vstup · Vstupní tokeny $0.00036 / 1K tokenů Výstup · Výstupní tokeny $0.00036 / 1K tokenů Vstup · Čtení z mezipaměti — / 1K tokenů Vstup · Zápis do mezipaměti — / 1K tokenů Vstup · Zápis do mezipaměti, 1 hodina — / 1K tokenů |
| KonfiguracePásmo délky požadavku 1 | Tabulka sazeb— | Tokeny kontextu, více než0 | Tokeny kontextu, do uvedené hodnoty včetněBez horní meze | Poplatek Vstup · Vstupní tokeny $0.00036 / 1K tokenů Výstup · Výstupní tokeny $0.00036 / 1K tokenů Vstup · Čtení z mezipaměti — / 1K tokenů Vstup · Zápis do mezipaměti — / 1K tokenů Vstup · Zápis do mezipaměti, 1 hodina — / 1K tokenů |
Ailoot před požadavkem rezervuje odhadovanou částku. Po výsledku vyúčtuje konečný poplatek podle naměřeného využití. Při streamování se účtování řídí konečným záznamem využití. Jak funguje rezervace a vyúčtování →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "meta-llama/llama-guard-4-12b", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='meta-llama/llama-guard-4-12b',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='meta-llama/llama-guard-4-12b',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson nebo SSE
Uchovejte každou úplnou vrácenou odpověď, soubor i část obsahu.
Zachovejte každou volbu a její obsah/volání nástrojů/uvažování. V SSE sestavujte přírůstky podle indexu volby/nástroje a zachovejte konečný důvod ukončení i údaje o využití.
Zachovejte ID požadavků/odpovědí a hlavičky. Není dodána obecná URL pro načtení textové úlohy.
| Pole | Typ |
|---|---|
Polechoices[].index | Typinteger |
Polechoices[].message.content | Typstring|null |
Polechoices[].message.tool_calls | Typtool_call[] |
Polechoices[].message.reasoning_content | Typstring |
Polechoices[].message.reasoning_details | Typobject|array |
Polechoices[].finish_reason | Typstring|null |
Poleusage | Typobject |
| Odpověď | Podmínka | Další krok |
|---|---|---|
Odpověď400 · invalid_request_error | PodmínkaNeplatná povinná pole, reprezentace podkladů nebo hodnota parametru | Další krokPřed novým požadavkem na vytvoření opravte uvedená pole. |
Ailoot Ultra meta-llama/llama-guard-4-12b
Použijte cesty metod uvedené výše.
meta-llama/llama-guard-4-12bLlama Guard 4 12B je multimodální klasifikátor obsahu společnosti Meta pro prompty a generované odpovědi. Analyzuje text s jedním nebo více obrázky a vrací označení safe/unsafe a příslušné kategorie rizik pomocí husté architektury prořezané z Llama 4 Scout.
Tento popis zahrnuje schopnosti modelu. Vstupy, výstupy a možnosti dostupné v Ailoot jsou uvedeny níže pro vybranou metodu.
Llama Guard 4 12B je nativně multimodální bezpečnostní klasifikátor společnosti Meta s 12 miliardami parametrů. Je trénován společně na textu a více obrázcích a generuje textovou klasifikaci: safe nebo unsafe, a pokud je výsledek unsafe, také kategorie rizik, do nichž obsah spadá. Jeho účelem je hodnocení obsahu v promptu nebo generované odpovědi, nikoli role obecného chatového asistenta.
Klasifikace promptů a odpovědí
Model může klasifikovat materiál před odesláním generativnímu modelu, po vytvoření odpovědi tímto modelem nebo v obou okamžicích. Jde o různé otázky. Klasifikace promptu hodnotí vstup uživatele, zatímco klasifikace odpovědi hodnotí, co asistent skutečně napsal. Systém proto může rozlišovat rizikový požadavek od odpovědi, která jej podle taxonomie klasifikátoru řeší přijatelným způsobem.
Dodejte přesný obsah ke klasifikaci s rolemi konverzace a příslušným kontextem. Pokud je cílem odpověď, zachovejte otázku, která jí dává význam. U smíšeného textového a obrazového vstupu zahrňte obrázky spojené s daným promptem a neklasifikujte nesouvisející text nebo jeden libovolně vybraný obrázek. Výsledek klasifikátoru je informací pro pravidlo nebo kontrolní krok aplikace; sám požadavek neblokuje ani nemění soubor.
Čtrnáct kategorií rizik
Výrobce slaďuje klasifikátor s taxonomií rizik MLCommons a přidává čistě textovou kategorii interpretu kódu. Čtrnáct štítků pokrývá násilné trestné činy, nenásilné trestné činy, trestné činy sexuální povahy, sexuální vykořisťování dětí, pomluvu, odborné poradenství, soukromí, duševní vlastnictví, zbraně s nerozlišujícím účinkem, nenávist, sebevraždu a sebepoškozování, sexuální obsah, volby a zneužití interpretu kódu.
Kategorie používají identifikátory S1 až S14. S14, Code Interpreter Abuse, je specificky určena pro čistě textové případy volání nástrojů. Identifikátor taxonomie uchovávejte s výsledkem safe/unsafe, aby mohl pozdější krok aplikace interpretovat klasifikaci podle stejných definic kategorií. Krátký výsledek je kategoriálním posouzením, nikoli úplným vysvětlením, právním rozhodnutím nebo zárukou odhalení každé možné újmy.
Jako ilustrativní formát může po klasifikaci unsafe následovat příslušný identifikátor kategorie. Původní hodnocený text, jeho zdroj nebo pozici v konverzaci a vrácené štítky uchovávejte pohromadě. Toto propojení umožňuje aplikaci odlišit zkoumaný obsah od následné přeformulované odpovědi nebo samostatného promptu.
Architektura a trénink
Llama Guard 4 má hustou architekturu Transformer s časnou fúzí, prořezanou z předtrénovaného checkpointu Llama 4 Scout. Výrobce odstraňuje směrované experty a směrovací vrstvy a zachovává sdíleného hustého experta a poté výsledný model dotrénuje pro klasifikaci obsahu. Po tomto kroku prořezání neprovádí další předtrénování. Vzniká tak jiný model než chatová edice Scout s architekturou mixture-of-experts.
Model sdílí tokenizer a obrazový enkodér Llama 4 a kombinuje čistě textový a multimodální klasifikační trénink. Výrobce popisuje vícejazyčná data a trénink s více obrázky, přičemž většina takových vzorků obsahuje dva až pět obrázků a poměr čistě textových k multimodálním datům je přibližně tři ku jedné. Jde o tréninkové vlastnosti, nikoli pevná omezení počtu vstupů.
Zdokumentovaný vícejazyčný rozsah vychází z jazyků podporovaných Llama Guard 3 a karta se věnuje angličtině společně s francouzštinou, němčinou, hindštinou, italštinou, portugalštinou, španělštinou a thajštinou. Klasifikační požadavek by měl zachovat skutečné znění a vizuální kontext v hodnoceném jazyce a nenahrazovat obsah nesouvisejícím shrnutím.
Příprava užitečného klasifikačního výsledku
Při kontrole vstupu poskytněte zprávu uživatele a související obrázky a požadujte klasifikaci promptu ve formátu výrobce. Při kontrole výstupu poskytněte skutečnou odpověď asistenta společně s příslušnou předchozí zprávou. Příklad s více obrázky může zachovat text, který je propojuje, aby model hodnotil společný požadavek, nikoli nezávislé fragmenty bez kontextu.
Karta modelu ukazuje použití odpovídající konverzační šablony a dekódování pouze generované klasifikace. Její příklad generování deseti tokenů ukazuje krátký výsledek se štítkem; toto číslo není samostatnou maximální kapacitou odpovědi. Požadovaný výstup slaďte s účelem klasifikátoru a nežádejte jej o napsání běžné konverzační odpovědi.
Konkrétní omezení
Výrobce uvádí, že posouzení mohou být omezena tréninkovými daty modelu, znalostí běžných souvislostí, jazykovým pokrytím a pokrytím pravidel. Kategorie pomluvy, duševního vlastnictví a voleb mohou vyžadovat faktické aktuální znalosti, které klasifikátor nemusí mít. Štítek kategorie by proto měl zachovat vztah k obsahu a informacím dostupným pro dané hodnocení.
Karta uvádí testování převážně na promptech s několika obrázky, nejčastěji třemi, a poznamenává, že při mnohem větší kolekci obrázků se chování může lišit. To popisuje testovaný rozsah, nikoli univerzální maximum tří obrázků. Model také může být zranitelný vůči adversariálnímu obsahu nebo prompt injection, které mění jeho zamýšlené chování.
Klasifikační role Llama Guard 4 by neměla přebírat specifikaci kontextu Scout ani obecné schopnosti asistenta jen proto, že vznikla prořezáním Scout. Prostudovaná karta neuvádí pro tento klasifikátor samostatnou pevnou kapacitu kontextu nebo výstupních tokenů. Hodnocený materiál a štítky taxonomie zachovejte jako praktický artefakt a nechte aplikaci rozhodnout o akci spojené s tímto výsledkem.
POST /v1/messagestextjson, sse| Pole | Typ | Požadavek | Hodnoty a limity | Výchozí |
|---|---|---|---|---|
Polemodel | Typstring | PožadavekPovinné | Hodnoty a limity meta-llama/llama-guard-4-12b | Výchozí— |
Polemessages | Typmessage[] | PožadavekPovinné | Hodnoty a limity | Výchozí— |
Polemessages[].role | Typstring | PožadavekPovinné | Hodnoty a limity user, assistant | Výchozí— |
Polemessages[].content | Typstring | PožadavekPovinné | Hodnoty a limity | Výchozí— |
Polemax_tokens | Typinteger | PožadavekPovinné | Hodnoty a limity | Výchozí— |
Polestream | Typboolean | PožadavekVolitelné | Hodnoty a limity | Výchozífalse |
Text · text UTF-8
řetězec messages[].content
| Parametr | Kontrakt |
|---|---|
Parametrcontent_type | Kontraktapplication/json |
Parametrrequired | Kontraktmodel, messages, max_tokens |
Parametroptional_controls | Kontraktstream |
Parametrmaterial_types | Kontrakttext |
Parametrtext_file_material | KontraktPřečtěte skutečný dokument UTF-8 a vložte jeho text do uvedeného pole input nebo do řetězce obsahu zprávy. |
Životní cyklus: synchronous_or_streamed
Údaje o tarifech nepřidávají možnosti požadavku. Podporované parametry jsou uvedeny u vybrané metody.
Přiřaďte každý poplatek k uvedeným podmínkám. Pro každou sadu alternativních konfigurací použijte jednu sazbu.
| Konfigurace | Tabulka sazeb | Tokeny kontextu, více než | Tokeny kontextu, do uvedené hodnoty včetně | Poplatek |
|---|---|---|---|---|
| KonfiguraceZákladní sazby za tokeny | Tabulka sazebZákladní sazba | Tokeny kontextu, více než— | Tokeny kontextu, do uvedené hodnoty včetněBez horní meze | Poplatek Vstup · Vstupní tokeny $0.00036 / 1K tokenů Výstup · Výstupní tokeny $0.00036 / 1K tokenů Vstup · Čtení z mezipaměti — / 1K tokenů Vstup · Zápis do mezipaměti — / 1K tokenů Vstup · Zápis do mezipaměti, 1 hodina — / 1K tokenů |
| KonfiguracePásmo délky požadavku 1 | Tabulka sazeb— | Tokeny kontextu, více než0 | Tokeny kontextu, do uvedené hodnoty včetněBez horní meze | Poplatek Vstup · Vstupní tokeny $0.00036 / 1K tokenů Výstup · Výstupní tokeny $0.00036 / 1K tokenů Vstup · Čtení z mezipaměti — / 1K tokenů Vstup · Zápis do mezipaměti — / 1K tokenů Vstup · Zápis do mezipaměti, 1 hodina — / 1K tokenů |
Ailoot před požadavkem rezervuje odhadovanou částku. Po výsledku vyúčtuje konečný poplatek podle naměřeného využití. Při streamování se účtování řídí konečným záznamem využití. Jak funguje rezervace a vyúčtování →
{\n "model": "meta-llama/llama-guard-4-12b",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'meta-llama/llama-guard-4-12b', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'meta-llama/llama-guard-4-12b', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON nebo SSE
Uchovejte každou úplnou vrácenou odpověď, soubor i část obsahu.
Zachovejte všechny bloky obsahu, podpisy uvažování a skutečná ID použití nástrojů. Sestavte všechny přírůstky bloků SSE; první textový blok není úplný výstup.
Zachovejte ID požadavků/odpovědí a hlavičky. Není dodána obecná URL pro načtení textové úlohy.
| Pole | Typ |
|---|---|
Poleid | Typstring |
Polemodel | Typstring |
Polecontent[] | Typtext|thinking|tool_use|other content block |
Polestop_reason | Typstring|null |
Poleusage | Typobject |
| Odpověď | Podmínka | Další krok |
|---|---|---|
Odpověď400 · invalid_request_error | PodmínkaNeplatná povinná pole, reprezentace podkladů nebo hodnota parametru | Další krokPřed novým požadavkem na vytvoření opravte uvedená pole. |
Ailoot Ultra meta-llama/llama-guard-4-12b
Použijte cesty metod uvedené výše.
Technický příklad v angličtině
Classify a benign library prompt\n\nClassify this user prompt using Llama Guard 4's prompt-safety taxonomy: 'Summarize the public library opening hours from the notice I pasted, and list any days when it is closed.' Evaluate the quoted prompt itself, not an imagined answer. Return the documented safe or unsafe classification; include S1-S14 hazard identifiers only if applicable.The documented safe/unsafe label, with applicable S1-S14 identifiers only for an unsafe result.Check the output uses only the documented classifier labels and does not answer the library-hours question.